基于因子分析的高技术产业创新能力研究

余 雷，朱文韬

（1.巢湖学院工商管理学院，安徽巢湖，238000；2.安徽农业大学经济与管理学院，安徽合肥，230063）

2008年世界金融危机后，主要西方发达国家意识到制造业的重要性，纷纷提出新的产业创新发展战略，美国提出了“再工业化”战略，德国提出“工业4.0计划”，日本提出“工业价值链”战略，意图继续占据价值链高端位置；基于数字化、智能化、网络化生产制造技术的第三次工业革命蓄势待发［1］，对中国产业意味着创新机遇与挑战并存，但也为后发国家实现赶超提供了窗口期。在此背景下，中国为提升产业竞争力，提出“中国制造2025战略”，大力发展战略性新兴产业等高技术产业，并具体通过供给侧改革优化重组，推动产业升级。

国内外学者对于高技术产业创新能力的评价有很多方法，第一种比较常用的是因子分析法，是选择高技术产业创新能力的相关指标进行主成分分析，计算得分，比较不同区域或产业的创新能力［2-3］。第二种是DEA法与一般的回归分析法。DEA模型通过投入-产出指标对产业创新效率进行深层次的评价，回归分析主要是通过模型考查不同因素对创新效率的影响［4-5］。第三种是因子分析法与DEA、空间计量等方法的结合。有些学者意识到单纯用因子分析法的不足，在因子分析后又继续采用DEA、空间计量等方法进行分析［6-7］。很多学者分别运用这三种方法，从不同角度对中国高技术产业创新能力进行评价，得出了有价值的结论。但从2008年以后，产业创新环境发生深刻变革，原有的评价结论显然已不适用新时期的产业发展。综合不同方法的利弊，本文拟采取因子分析法，对2016年中国高技术产业创新能力进行评价，以考查在新的产业创新背景下，中国不同区域的高技术产业的创新能力特征，为产业创新政策制定提供决策参考。

一、研究方法与变量测度

（一）研究方法

因子分析法是根据现在变量即具体指标评测抽象因子的分析方法，最早由心理学家Chales Spearman在1904年提出，其基本思想是首先根据相关性的大小把变量分组，使得同组内的变量相关性较高，而不同组的变量相关性较低，每组变量代表一个基本结构，然后通过对因子载荷矩阵等分析，根据方差贡献率的大小来提取几个能够涵盖大量原始数据的公因子，构建因子模型，将原始观察变量分解为因子的线性组合，最后根据综合得分对研究对象进行评价。这种方法在社会科学、自然科学、经济管理等众多领域的综合评价中得到广泛运用。其基本模型如下。

式中，x1,x2⋅⋅⋅xp为p个原有变量，是均值为0，标准差为1的标准化标量；F1,F2⋅⋅⋅Fm为原有变量的公因子，m≺p，ξ1,ξ2⋅⋅⋅ξp为原有变量的特殊因子，公因子Fi和特殊因子ξi是相互独立的变量，并有服从正态分别为；矩阵apm为因子载荷，其元素aij表示第子i个变量在第j主因子上的负荷。因子分析模型的矩阵表达式为：

（二）变量选择与数据来源

高技术产业技术创新能力就是将高科技知识转化为高技术新产品或新工艺，推动高技术产业发展的能力。高技术产业技术创新能力评价涉及面广、蕴涵信息量大，建立高技术产业技术创新能力评价指标体系，其重点是要科学、合理地选择评价指标，能够全面、客观地反映各地区高技术产业技术创新能力的动态发展趋势、现状及潜力［8］。关于高技术产业创新能力的评级指标体系有很多，大多是从创新投入和创新产出角度选择相应变量进行评价，汪良兵等［9］把高技术产业创新能力系统分为产业创新技术研发子系统、产业创新技术吸收子系统、产业创新环境子系统和产业创新产出子系统。各系统关系如图1所示。

图1 产业创新能力系统

高技术产业的创新能力评价借鉴汪良兵等提出的产业创新系统，把高技术产业创新能力一级指标分为产业创新研发能力、产业创新技术吸收能力、产业创新环境支持和产业创新产出能力。产业创新研发能力是各产业自身的研发能力，二级指标选择R&D活动人员折合全时当量、R&D经费内部支持、新产品开发经费支出；产业创新技术吸收能力是产业借助外部资源提升创新能力，二级指标选择技术改造经费支出、技术引进经费支出、消化吸收经费支出、购买国内技术经费支出；产业创新环境支持能力是企业创新获得政府支持、平台支持等，二级指标选择政府资金、研发机构数、机构经费支出、机构仪器设备；产业技术创新产出能力是研发转化实现市场价值的能力，二级指标选择申请专利数、发明专利数、新产品销售收入，共计14个二级指标，具体见表1所示。

本文数据来源于2017年《中国高技术产业统计年鉴》，根据年鉴整理出了31个省级区域2016年的上述14个指标的数据（数据缺少的港澳台地区除外），对于新疆、青海、宁夏等地区部分指标数据缺失，采取两种处理方法：一是以上年度该指标数据代替，二是以相邻省份该指标加权平均数替代［10］。数据处理采用SPSS22.0软件，首先对原始数据进行KMO和Bartlett的检验，确认是否可以做主成分分析；然后进行标准化处理，消除不同量纲的影响；最后对标准化的数据做主成分分析。

表1 中国区域高技术产业创新能力评价指标

二、实证分析

（一）KMO和Bartlett的检验

为验证数据是否可以做主成分分析，一般先做KMO和Bartlett检验，利用SPSS22.0软件对2016年31个省市的原始数据进行检验，从输出结果来看（见表2），KMO统计量为0.794＞0.6；Bartlett的球形度检验sig值为0.000＜0.005，拒绝原假设，因此指标数据适合做主成分分析。

表2 KMO与Bartlett检验

（二）提取公因子

利用SPSS22.0做主成分分析，计算相关系数矩阵的特征值和相应的特征向量，然后得到主成分解释方差百分比，运算结果见表3，根据特征值大于1的原则提取公因子，可以发现，前2个公因子的初始分特征值别为11.028、1.645，都大于1，其他12个公因子的初始特征值都小于1，且这两个公因子的方差累计贡献率分别是78.77%、11.749%，方差累积贡献率之和达到90.52%，远大于70%的基本要求，说明前2个公因子能够很好地反映14个研究指标的信息，因此可以提取前两个公因子，分别为主成分F1、F2。

表3 解释的总方差

表4 旋转后的因子载荷矩阵a

为了更好地展现公因子提取的效果，在SPSS22.0中采取Kaiser标准化的正交旋转，在3次迭代中收敛，主成分F1、F2在各研究指标上载荷见表4所示，根据指标因子载荷值＞0.5分类。

主成分F1用于解释指标R&D人员折合全时当量（X1）、R&D经费内部支出（X2）、新产品开发经费支出（X3）、技术引进经费支出（X4）、购买境内技术经费支出（X6）、技术改造经费支出（X7）、研发机构数（X9）、研究机构经费支出（X10）、研发机构仪器设备（X11），可以发现这些指标主要包括产业研发能力指标、产业创新的环境支持能力指标，因此可以把主成分F1定义为高技术产业创新的研发能力。

主成分F2用于解释指标消化吸收经费支出（X5）、技术改造经费支出（X7）、专利申请数（X12）、发明专利（X13）、新产品销售收入（X14），这些指标主要是反映产业创新的消化吸收和产出的能力，因此可以把主成分F2定义为产业技术创新的转化产出能力。

通过公式（2），主成分得分等于观测指标的标准化值与因子载荷aij旋转矩阵的乘积和，根据表5，可写出主成分F1、F2得分函数表达式（3）、（4），但是仅有这两组得分，还无法反映高技术产业创新能力的综合情况，因此以各主成分的特征值贡献率为权重对主成分加权，根据表3，可得到高技术产业技术创新能力的综合得分函数表达式（5）。

（三）计算因子得分

根据主成分函数表达式（3）、（4）、（5），利用Excel软件计算出2016年全国31个省市的高技术产业创新能力主成分F1、F2、F综的得分，并进行排名，具体见表6所示。

主成分F1得分为正值的有广东、江苏、山东、浙江、北京、上海、四川7个省市，其他区域得分均为负值，总体来看东部地区优于中西部地区。主成分F1为高技术产业自身的创新研发能力，是产业自身的创新能力，需要大量的人力物力投入，这些区域除四川以外均为东部经济发达区域，政府和企业自然有实力对高技术产业自身的创新研发能力投入，所以他们的高技术产业创新研发能力自然较强。其中得分大于1的有广东和江苏，分别为4.943和1.520，其说明产业发展开始转向以创新驱动。广东和浙江近年来实施“腾笼换鸟”战略，驱动产业升级，效果显著，产业自身创新研发能力在不断提升，特别是广东表现突出。值得关注的是四川得分为0.008，虽然较低，但是在产业创新研发能力排名第七，处于第一梯队，在以人工智能和“互联网+”为代表的产业创新环境下，产业创新升级有了窗口期，后发地区加大投入，有实现弯道超越的可能。在中西部地区，得分为负值但排名靠前的省份有湖北、安徽、湖南、河南、重庆、江西、河北等，其产业创新研发能力也有很大的潜力，处于不断上市的趋势。分值为负值且较低有广西、云南、贵州、西藏等11个省，几乎全部为西部地区的省份，说明西部地区的产业创新研发能力在全国处于较低水平，究其原因，主要是经济实力弱、创新投入不足、发展观念落后等。

表5 因子得分矩阵

在主成分F2得分为正值的有江苏、福建、浙江、山东、安徽、河北、湖南、河南、江西9个省，其余省市均为负值。比较特殊的在F1得分较高的上海、北京、广东反而得分较低，这恰恰是高技术高技术产业创新能力强的表现，主要原因是主成分F2是产业技术创新的转化产出能力，突出的是产业创新的技术应用能力，表现在产业链的生产环节，而这些区域正是生产环节大量转移的区域，说明上海、北京、广东等地已经成为研发中心的集聚区。在这九个省市中有安徽、河北、湖南、河南、江西5个中部地区省份，占50%以上，说明中部地区在产业原创能力缺乏的情况下，更加重视从外部获取创新资源进行转化吸收。得分为负值靠前的也大多数为中西部地区省市，特别是广西、重庆、贵州等地近年来利用产业转移的区位优势，大力发展战略性新兴产业，承接电子信息产业，创新商业模式，产业创新的应用能力表现突出。

主成分F综是以方差贡献为权重，根据F1、F2的得分计算得到，高技术产业创新能力得分为正值的有广东、江苏、浙江、山东、福建、上海6个省市，全部为东部经济发达地区省份，表明这些区域高技术产业创新绩效水平高于全国平均水平，其余省份产业创新能力得分都是负值。根据赵玉林等对高技术产业创新能力强弱五级标准的划分［11］。产业创新能力强，得分在1以上，有广东和江苏，特别是广东得分达到4.038，远超过第二名的1.905；产业创新能力较强，得分在0～1之间，有浙江、山东、福建、上海；创新能力一般，得分在-0.199～0之间，有北京、安徽、四川、湖北、湖南、河南；产业创新能力较弱，得分在-0.40～0.20之间，有重庆、河北、陕西、江西、辽宁、贵州、黑龙江、吉林、云南、广西、山西、内蒙古、甘肃、宁夏、海南、新疆；创新能力较弱，得分在-0.4以下，有青海和西藏。

三、结论与对策建议

采取因子分析法，利用SPSS22.0测算了2016年中国高技术产业创新能力的14个指标的相关值。首先，根据初始特征值大于1原则，提取了F1、F2两个主成分并命名为高技术产业创新的研发能力和高技术产业创新的转化产出能力；其次，根据因子分析法模型写出了成分F1、F2、F综的得分函数表达式；最后，据此表达式计算出中国31个省市2016年的高技术产业创新研发能力得分、高技术产业创新的转化产出能力得分以及高技术产业创新能力综合得分，根据分析得到以下几点结论和建议。

第一，高技术产业创新研发能力方面，东部发达地区优于中西部地区，在新的产业革命环境下，中西部也有实现赶超的可能。从主成分高技术产业创新研发能力F1得分情况来看，以广东、江苏、山东、浙江为代表的东部地区的产业创新自身研发能力明显高于中西部地区，在东部地区广东、江苏明显优于其他东部地区省份。中西部地区的产业创新研发能力较弱，得分普遍为负值，但是也有表现优秀的，比如四川省为0.008；湖北、安徽、湖南、河南、重庆、江西、河北等省份得分虽然为负值，但是产业创新研发能力有很大的发展潜力，在新的产业革命环境下，产业创新打破了等级秩序，中西部地区有实现超越发展的可能。因此，对东部地区产业创新能力不足的省份来说，要继续加大投入，注重淘汰落后产业；对中西部地区来说，一方面要加大投入，另一方面还要改变高技术产业创新方式，抓住新一轮产业革命的发展机会，实现超越发展。

第二，高技术产业创新转化产出能力方面，东部发达地区的部分省市依然具有优势，产业转移造成东部地区内部差异明显，中西部地区的省市表现突出。F2得分为正的9个省市中，前4名为东部的江苏、福建、浙江、山东，但是上海、北京、广东的产业创新转化产出能力得分较低，究其原因是产业创新应用主要表现在高技术产业的生产制造环节，而东部地区制造业的生产环节大量转移到中西部地区，这可以部分解释中西部地区在高技术产业创新转化产出能力方面较为突出。在F2得分为正的前9名中，有5个是中部的省份，其余像重庆、江西、贵州、广西等地也表现突出，说明中西部地区在高技术产业原创能力缺乏的情况下，主要资源投向技术吸收和引进；另一方面中西部地区对东部高技术产业生产环节的承接也拉高了这方面的能力。对东部地区来说要成为产业创新的策源地，重视创新技术的转化应用，避免空心化；对中西部地区来说要加大对高新技术产业研发环节的承接，带动产业自身的创新能力。

第三，总体来说，高技术产业创新的综合能力表现为东部强、中西部弱，有明显的层级关系。东部地区省份基本都在产业创新能力较强及以上等级，中西部地区都在产业创新能力弱等级。这种结果一方面与主成分F综的计算方式有关，因为主成分F1占比达到86.6%，东部地区的F1分值普遍较高，因此东部地区的高技术产业创新能力F综优于中西部地区。根据标准的划分，高技术产业创新能力较强级以上的8个省市，全部位于东部地区；另一方面是整体经济实力决定了高技术产业的创新能力，产业创新需要大量的投入，东部经济实力强大，投入较多，所以产业创新能力强。因此对中西部地区来说，不仅要重视产业创新的转化吸收能力，还要加大产业创新的自身研发能力投入。